Varios algoritmos metaheurísticos inspirados en la naturaleza han sido diseñados para tratar una variedad de problemas de optimización prácticos. Como un excelente algoritmo metaheurístico, el algoritmo de optimización por enjambre de partículas mejorado basado en agrupamiento (IPSO) tiene fuertes capacidades de búsqueda global. Sin embargo, carece de una fuerte capacidad de búsqueda local y la capacidad de resolver problemas de optimización discreta con restricciones. Este documento se centra en mejorar estos dos aspectos del algoritmo IPSO. Basándonos en IPSO, proponemos un algoritmo de optimización por enjambre de partículas mejorado basado en búsqueda de vecindario variable (VN-IPSO) y diseñamos una solución de programación entera 0-1 con restricciones. En el experimento, el rendimiento del algoritmo VN-IPSO es completamente probado y analizado utilizando 23 funciones de referencia clásicas (optimización continua), 6 problemas de mochila (optimización discreta) y 10 funciones compuestas CEC2017 (funciones complejas). Los resultados muestran que el algoritmo VN-IPSO gana 18 primeros lugares en el conjunto de pruebas de funciones de referencia clásicas, incluidos 6 primeros lugares en las soluciones para siete funciones de prueba unimodales, lo que indica una buena capacidad de búsqueda local. Al resolver los seis problemas de mochila, gana cuatro primeros lugares, demostrando la efectividad de la solución de programación entera 0-1 con restricciones y la excelente capacidad de solución de VN-IPSO en problemas de optimización discreta. En la prueba de 10 funciones compuestas, VN-IPSO gana el primer lugar cuatro veces y ocupa el primer lugar en la clasificación general, demostrando su excelente capacidad de resolución para funciones complejas.